社会公共安全越来越受到人们的关注,智能监控成为保障社会稳定和民众生命财产安全的重要途径,其中异常行为检测是智能监控领域的重点研究内容。目前,手扶电梯遍布各大超市、商场和交通枢纽站等公共场所。由于电梯加速、电梯故障、物件滚落和不规范乘坐电梯等原因,很容易发生安全事故。而现有的监控系统往往需要大量的人力去监控,难以达到切实有效的检测效果。因此,本文基于深度学习的方法对手扶电梯上易发生的异常行为进行检测,从而完善预警机制,提高现有安防监控系统的智能化水平。本文的主要内容如下:（1）根据研究需要,建立了一组包含正常行为和异常行为的手扶电梯数据集。鉴于异常行为数据具有稀疏性和复杂性的特性,给出了一种基于时空特征的异常行为检测方法。通过自编码器模型对正常行为的数据进行重构,并利用3D-CNN和ConvLSTM学习视频数据中的时空特征,训练出一个能表征正常行为模式的自编码器模型,最后根据输入数据与重构数据之间的重构误差进行异常判断。该方法采用轻量级的卷积神经网络结构,能够较好的检测出异常事件,并能够实现实时检测。（2）针对基于时空特征的异常行为检测方法容易遭受复杂背景和噪声干扰的问题,给出了一种基于前景目标的异常行为检测方法。主要通过对正常的前景目标进行重构,学习正常目标的行为模式,并且采用K-Means算法分析正常行为模式的特征分布,最后通过多组一对多的支持向量机进行异常判定。实验表明该方法有效地提高了异常行为检测的准确率。（3）基于对异常行为检测的研究,设计了一种用于手扶电梯的异常行为检测系统。该系统可以对手扶电梯上发生的异常行为进行实时检测,同时能对乘客与大件物品进行检测和跟踪,并将重要的信息予以保存,实现了对手扶电梯上的智能化监控与管理。